Eikonal Regularisation in Physics-Informed Neural Networks for Three-Dimensional Level-Set Advection: Transferability of Two-Dimensional Design Principles

물속에서 소용돌이치는 보이지 않는 형체 변화가 자유로운 페인트 덩어리를 추적한다고 상상해 보십시오. 현실 세계에서 이런 일은 물과 섞이는 기름, 불꽃 속에서 넘실거리는 불길, 혹은 하늘을 떠다니는 구름처럼 항상 일어납니다. 과학자들은 이 보이지 않는 경계를 지도화하기 위해 "레벨 세트 방법(level-set method)"이라는 영리한 수학적 기법을 사용합니다. 덩어리 주변에 선을 그리는 대신, 그들은 덩어리의 표면이 지도의 "제로(0)" 선이 되는 3차원 지형을 상상합니다. 만약 지도가 매끄럽고 잘 관리된 상태를 유지한다면, 컴퓨터는 덩어리가 다음에 어디로 이동할지 쉽게 예측할 수 있습니다.

하지만 컴퓨터는 이 지도를 매끄럽게 유지하는 데 매우 서툽니다. 덩어리가 뒤틀리고 늘어남에 따라 지도는 구겨진 종이처럼 엉망이 되고, 컴퓨터는 덩어리의 모양이나 크기를 놓치기 시작합니다. 이를 해결하기 위해 과학자들은 "물리 정보 신경망(Physics-Informed Neural Networks, PINNs)"을 사용합니다. 이것들을 시행착오를 통해 유체의 움직임 법칙을 배우는 아주 똑똑한 디지털 견습생이라고 생각하면 됩니다. 이들은 지도를 추측하고, 물리 법칙에 비추어 자신의 작업을 검토한 뒤, 자신의 추측을 올바르게 수정합니다. 하지만 여기에는 함정이 있습니다. 견습생에게는 지도를 매끄럽게 유지하는 데 얼마나 신경을 쓸지, 아니면 흐름을 따르는 데 얼마나 신경을 쓸지를 알려줄 선생님이 필요합니다. 만약 선생님이 너무 엄격하면 지도는 매끄럽지만 덩어리가 잘못 움직이고, 선생님이 너무 느슨하면 덩려는 제대로 움직이지만 지도가 구겨집니다. 완벽한 균형을 찾는 것이 바로 그 "비법 소스(secret sauce)"이며, 이 논문은 바로 그 점을 조사합니다.

이 논문은 특정 질문에 대한 심도 있는 탐구입니다: "2D 시뮬레이션(평평한 표면)에서 작동했던 '비법 소스' 레시피가 3D 시뮬레이션(실제 부피를 가진 공간)에서도 통할 것인가?" 저자인 무함마드 아크바르 칸(Muhammad Akbar-Khan)은 네 가지 다른 3D 시나리오를 사용하여 이를 테스트합니다: 방 안을 미끄러져 가는 구체, 제자리에서 회전하는 구체, 구멍이 뚫린 구체(팩맨 모양), 그리고 얇은 시트 형태로 늘어났다가 원래 모양으로 되돌아오는 구체입니다.

연구 결과, "비법 소스"는 모든 상황에 적용되는 만능 레시피가 아님이 밝혀졌습니다. 사실, "매끄러움 선생님"에 대한 완벽한 설정은 덩어리가 얼마나 짓눌리거나 늘어나는지에 따라 전적으로 달라집니다. 구체가 모양 변화 없이 단순히 미끄러지거나 회전할 때는 선생님이 상당히 엄격해야 하지만($10^{-1}$ 설정), 구체가 얇은 시트 형태로 늘어날 때는 선생님이 거의 침묵해야 합니다($10^{-5}$ 설정). 왜냐하면 지도를 매끄럽게 유지하도록 강요하는 것이 그 상황에서는 컴퓨터가 모양에 대해 거짓말을 하게 만들기 때문입니다. 이 논문은 만약 2D 실험의 설정을 확인 없이 3D 실험으로 복사해서 붙여넣는다면, 잘못될 수도 있음을 보여줍니다. 때로는 작동하기도 하지만, 때로는 오차가 3배 더 커질 수도 있습니다.

나아가, 이 논문은 컴퓨터 실험의 숨겨진 위험 요소인 "무작위성(randomness)"을 강조합니다. 시뮬레이션을 단 한 번만 실행한다면 운이 좋거나 나쁠 수 있습니다. 서로 다른 무작위 시드를 사용하여 동일한 테스트를 18번 반복 실행함으로써, 저자는 적절한 "매끄러움" 설정이 없다면 결과가 실행할 때마다 요동친다는 것을 발견했습니다. 올바른 설정은 단순히 답을 더 정확하게 만드는 것뿐만 아니라, 답을 "재현 가능하게(reproducible)" 만들어, 실험을 다시 수행하더라도 동일한 결과를 얻을 수 있도록 보장합니다.

마지막으로, 이 논문은 이 신경망 견습생들을 매우 숙련된 고전적 컴퓨터 솔버(고차 WENO 스킴)와 비교합니다. 결과는 정직합니다: 고전적 솔버는 여전히 챔피언이며, 단순하고 매끄러운 흐름에서는 신경망보다 훨씬 큰 차이(최대 100배)로 더 정확합니다. 그러나 모양이 더 어렵고 뒤틀릴수록 그 격차는 줄어듭니다. 신경망은 아직 단순한 작업에 있어 가장 빠르거나 가장 정확한 도구는 아니지만, 독특한 초능력을 가지고 있습니다: 그것은 발을 디딜 격자(grid)가 필요하지 않고, 시간상으로 연속적으로 작동하며, 모양이 바뀔 때마다 새로 배울 필요가 없습니다. 결론적으로, 우리는 고전적 방법을 대체하는 문제를 해결한 것은 아니지만, 신경 네트워크가 실패하지 않도록 조정하는 정확한 방법을 배웠으며, 2D 기법이 테스트 없이 3D에서도 작동할 것이라고 가정해서는 안 된다는 것을 입증했습니다.